基于Wasserstein证据不确定性的分布外分割
计算机视觉与模式识别
2025-12-15 v1 机器学习
摘要
深度神经网络在语义分割中取得了卓越的性能，但仅限于预定义的类别集合，这导致其在开放世界场景中遇到未知物体时会发生失效。识别并分割这些分布外（OOD）物体对于自动驾驶等安全攸关应用至关重要。在本研究中，我们提出了一个使用Wasserstein损失的证据分割框架，该损失能够在捕捉分布距离的同时尊重概率单纯形几何。结合Kullback-Leibler正则化和Dice结构一致性项，与基于不确定性的方法相比，我们的方法提升了OOD分割性能。
引用
@article{arxiv.2512.11373,
title = {Out-of-Distribution Segmentation via Wasserstein-Based Evidential Uncertainty},
author = {Arnold Brosch and Abdelrahman Eldesokey and Michael Felsberg and Kira Maag},
journal= {arXiv preprint arXiv:2512.11373},
year = {2025}
}